Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Taxi Fare Deep Dive

1,450 views

Published on

Finding new taxi fare break through with newly introduced services.

Published in: Technology
  • Be the first to comment

Taxi Fare Deep Dive

  1. 1. 勉強会資料 タクシーデータ分析 Taxi Fare Deep Dive 2017.1.18 JapanTaxi Co. Ltd. Osamu Masutani
  2. 2. JAPAN TAXI のデータ分析
  3. 3. タクシー会社のデータ分析 • タクシー会社はどんなデータを持っているか – 料金収受データ(PoS) – 動態データ – 顧客データ • タクシー会社はどんな経営戦略をとるか – C/S向上 – 運用効率向上 – コスト削減 タクシーサービス向上 実車率向上 燃料費削減
  4. 4. タクシーと他の類似データの違い • PoS – 普通(店)は物、サービスをポイントで買う – タクシーは、ポイントtoポイントで買う • 動態 – 普通(鉄道、航空機など)は、路線で営業する – タクシーは、ポイントtoポイントで営業する • ルーティング – 普通(物流など)は、時間に関しては緩い制約 – タクシーは、ポイントtoポイントで時間指定される
  5. 5. タクシーデータ分析手法 • GIS – 地理データ解析 – 可視化 • オペレーションズリサーチ – 経路探索 – 組み合わせ最適化 • ミクロ経済学 – ダイナミックプライシング – 需要予測
  6. 6. 分析で増収を目指す • 新しいサービス体系で収入増を目指す → 新体系の導入効果/リスク見積もり → 新体系のシステム最適化 • 収入の源:運賃 – 新体系のポートフォリオには柔軟な運賃が必要 → 新しい運賃をRE:DESIGNするための分析
  7. 7. タクシー運賃とは タクシー運賃 RE:DESIGN
  8. 8. なぜタクシー乗らないの? • 高い • 探す/呼ぶのが面倒 • 快適性 • 不確定要素(渋滞など) 料金に関する利用忌避要因が大きい?
  9. 9. タクシーの料金は高い? 出典:“Simutransで行こう” http://simutrans128.blog26.fc2.com/blog-entry-62.html タクシー 京王バス
  10. 10. タクシーの料金設定 • 基本的には距離と時間で定まる
  11. 11. 東京のタクシーの運賃 • 距離料金と時間料金の和 東京の例(日本交通の実態とは異なる) 東京23区、武蔵野市、三鷹市 普通車 距離制運賃 初乗運賃 2000mまで730円 加算運賃 以後280mごとに90 円 時間距離併用制運賃※ 1分45秒ごとに90円加算
  12. 12. タクシー運賃の法規 • 道路運送法(昭和二十六年法律第百八十三号) – http://www.mlit.go.jp/common/000037426.pdf • 第九条の三 – 一般乗用旅客自動車運送事業者は、旅客の運賃及び料金(旅客の利益 に及ぼす影響が比較的 小さいものとして国土交通省令で定める料金を除く。)を定め、 国土交通大臣の認可を受け なければならない。これを変更しようとするときも同様と する。 • 2 国土交通大臣は、前項の認可をしようとするときは、次 の基準によつて、これをし なければならない。 – 一 能率的な経営の下における適正な原価に適正な利潤を加えたものを超えない ものであること。 – 二 特定の旅客に対し不当な差別的取扱いをするものでないこと。 – 三 他の一般旅客自動車運送事業者との間に不当な競争を引き起こすこととなる おそれがないも のであること。 – 四 運賃及び料金が対距離制による場合であつて、国土交通大臣がその算定の 基礎となる距離を 定めたときは、これによるものであること。
  13. 13. タクシー運賃 RE:DESIGN のためのデータ • PoSデータ – アプリ、電話などでの注文 – 流し営業 • 動態データ – 配車管理用GPSトラッキングデータ – 実車/空車フラグ
  14. 14. 前決め運賃サービス タクシー運賃 RE:DESIGN 事例1
  15. 15. 前決め運賃 • タクシー利用者の料金に対する不安を解消し、 安心して利用できる、前決め運賃を導入する • 運賃キャップ制 (前決めとメーターの安い方を採用) • 運賃予測 (経路および所要時間から予測する) 事業概要 実現方法 xxxx
  16. 16. 距離運賃と実際の運賃の関係 距離運賃を超える部分は時間運賃分 単純な係数倍運賃では遠距離でほとんど割引が発生しない 標準運賃での料金の分布 深夜運賃での料金の分布 距離 [m] 距離 [m] 運賃[円] 運賃[円]
  17. 17. 料金実態 • 各料金帯ごとの乗車数 • 短距離が圧倒的に多い 初乗り分を分離 初乗り21% 3000円までで84% 1000円ごとの集計
  18. 18. 実際の運賃データから妥当な前決め運賃 • 時間運賃の分布は、10kmまでは増加し、その後はほとんど増加しない • 各距離で公平に割引機会が得られるように、区間ごとに回帰 • 1つの回帰直線では減収の制御が難しいため、上位〇〇%をとる 上位20% 上位30% 距離 [m] 距離 [m] 時間運賃[円] 時間運賃[円] ※10kmを超えたあたりから j時間料金が伸びない傾向
  19. 19. 係数を変化させシミュレーション 係数大係数小 標準料金夜間料金
  20. 20. 予測誤差の評価 • 誤差は予測が最小 • 誤差の距離に対する均一性は 回帰が最小 0 5 10 15 20 25 30 MAPE[%] MAPE[%] 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 GiniIndex Gini index 均一不均一 誤差小誤差大
  21. 21. 最適な手法の分析 • 単純手法では、減収率下げようとすると、誤差が悪化 する • 予測をすることで、減収率を下げながら誤差を低減す ることが可能 • 単純手法では、減収率と減収トリップ数(カ バー率)を両立させることはできない。 • 予測をすることで、減収トリップ率を確保しな がら減収率を下げることはできる。 [CELLRANGE] [CELLRANGE] [CELLRANGE] [CELLRANGE] [CELLRANGE] [CELLRANGE] [CELLRANGE] [CELLRANGE] [CELLRANGE] [CELLRANGE] [CELLRANGE] 0 10 20 30 40 50 60 70 80 90 100 0 5 10 15 20 減収トリップ率[%] 減収率[%] 減収率×減収トリップ数 係数(1-1.5) 回帰(0.5-0.9) 予測 コスト減 コスト増 機会減機会増 0 0.05 0.1 0.15 0.2 0.25 0.3 0 0.05 0.1 0.15 0.2 MAPE 減収率 減収率×MAPE 係数(1-1.5) 回帰(0.5-0.9) 予測 コスト減 コスト増 誤差小誤差大
  22. 22. 前決め運賃でRE:DESIGN • タクシーサービス向上 – 事前に料金がわかる安心感 → 需要増 • 運用効率向上 – 決済の単純化 • コスト削減 – 予測により減収リスク削減
  23. 23. タクシーシェアサービス タクシー運賃 RE:DESIGN 事例2
  24. 24. タクシーシェア • 需要増時の運送効率向上のため、 タクシーシェア制度を導入する • マッチングサービス (乗客ペア探索、迂回最小化) • 乗り合い運用 (簡易な配車システム) 事業概要 実現方法
  25. 25. ライドシェアの需要はあるか • 羽田空港へのトリップ – メッシュ(1km) • 京浜東北線東京以南に 集中
  26. 26. 新宿駅発 上位行先20メッシュ(終日) 赤10-20km 、 青20km以上 新宿駅西口
  27. 27. ODペアの偏り • 上位20ODで45%を占める • 特定路線への偏り • ライドシェアが成立するケースは多い 各OD台数(エリア内込み) 0 50 100 150 200 250 300 350 400 1 10 19 28 37 46 55 64 73 82 91 100 109 118 127 136 145 154 163 172 181 190 199 208 217 226 235 244 253 262 271 280 289 298 307 316 325 334 343 352 361 370 379 388 397 406 415 424 433 上位ODの頻度45% TOP2 0
  28. 28. ライドシェアマッチングアルゴリズム 1. 近傍を通過予定の車両を探索する (ある距離、時間幅を持って) 2. 新旧の経路で基準を超えて旅行時 間が伸びなければ採用 3. 2組目の到着 4. 1組目の到着 O1 D1 O2 D2 O1 D1 O2 D2 O1 D1 O2 D2 O1 D1 O2 D2 1 2 3 4 ∆
  29. 29. ライドマッチングシミュレーション • 各種条件で実験 同じトリップに対し複数の組み合わせが存在する場合 全ての事例を出力 全ての組み合わせ数万*数万件 をマッチング(1日分) 29
  30. 30. マッチング事例 • わかりやすい事例 Confidential 30
  31. 31. OD合致型 O合致D自由 OD自由 方式概要 2組目が1組目の経路上で 乗り降りするパターン 2組目が経路上で乗り、そ の後の経路はマッチング経 路を通る 1組目出発時点で2組目の 存在が分かっていた場合 (潜在ペアも拾う) 合致範囲 500m、10分 500m、10分 - RSマッチング条件 - 新経路 < 元経路 * 1.2 新経路 < 元経路 * 1.2 マッチング件数(/1日) 数件 数100件 数千件 1組目の経路を変更せずに 目的地に到達できる場合 マッチング完了後最適ルー トをとる 需要予測して最大マッチン グをとった場合 マッチングシミュレーション O1 D1 O2 D2 O1 D1 O2 D2 O1 D1 O2 D2 最適化された姿システム支援無
  32. 32. タクシーシェアでRE:DESIGN • タクシーサービス向上 – 運賃の低廉化 → 需要増 • 運用効率向上 – 実質供給量の増加 – 客単価増加 • コスト削減 – 総トリップ(燃料費)削減
  33. 33. 自動運転とライドシェア タクシー運賃 RE:DESIGN 未来
  34. 34. 自動運転時代の運賃はどうなるか? • タクシーが自動運転導入の先駆けとなる? トヨタJapan Taxi
  35. 35. 本当に普及するのか? • 20世紀初頭のニューヨークの例 • 10年で“すっかり“変わる~イノベーションのスピード horse-drawn carriages “horseless carriages”— 出典: http://blog.zorangagic.com/2016/10/disruption-self-driving-cars-and-ride.html
  36. 36. 自動運転による安全性 • ADAS、AVにて保険料35%~52%程度の低減 – 安全性もすでにお墨付き 出典: Impact of Car Sharing, Automated Driver Assistance , Autonomous Cars on Insurance https://www.pwc.com/ca/en/insurance/publications/pwc-impact-of-driverless-cars-2015-12-en.pdf
  37. 37. シェアによる移動コストの変化 • 所有から共有へ – コスト、時間共に他の交通機関を凌駕する可能性 出典: http://linkback.morganstanley.com/web/sendlink/webapp/BMServlet?file=e72626n0-3pka-g002-b8c7-005056013600&store=0&d=1&user=ded82hm7bu07c- 2&__gda__=1601757194_55d7b23ee93236041c022c4c70eacdf9#0001&ded82hm7bu07c- 0&1601757194_c1c3530231514a8ac2e1c78bdf76871f&0011&ded82hm7bu07c-1&1601757194_45a5104d280513428eb57e473a5220c0
  38. 38. 自動運転車 * ライドシェアのインパクト • シェアリングエコノミーが自動運転技術と結びついた場 合のコスト比較 出典: Will Autonomous Vehicles Derail Trains? https://www.bcgperspectives.com/content/articles/transportation-travel-tourism-automotive-will-autonomous-vehicles-derail-trains/#chapter1
  39. 39. 未来の自動運転タクシーは • Door to door で安くもっと気軽に乗れる交通機関にな る? 出典 : http://cre-m.jp/movie_795/
  40. 40. 未来の交通をRE:DESIGNしたい方は Japan Taxi へ!

×